基于Python创建语音识别控制系统

下面附上参考文章，这篇文章是通过识别出来的文字来打开浏览器中的默认网站。

题目很简单，利用语音识别识别说出来的文字，根据文字的内容来控制图形移动，例如说向上，识别出文字后，画布上的图形就会向上移动。本文使用的是百度识别api（因为免费），自己做的流程图：

不多说，直接开始程序设计，首先登录百度云，创建应用

注意这里的api key和secret key，要用自己的才能生效

百度语音识别有对应的文档，具体调用方法说的很清晰，如果想学习一下可以查看rest api文档

文档写的很详细，本文只说明用到的方法，语音识别使用方法为组装url获取token，然后处理本地音频以json格式发送到百度语音识别服务器，获得返回结果。

百度语音识别支持pcm、wav等多种格式，百度服务端会将非pcm格式转成pcm格式，因此使用wav、amr格式会有额外的转换耗时。保存为pcm格式可以识别，只是windows自带播放器识别不了pcm格式的，所以改用wav格式，同时要引用wave库，功能为可读、写wav类型的音频文件。采样率使用了pcm采样率16000固定值，编码为16bit位深的单声道。

录音函数中使用了pyaudio库，是python下的一个音频处理模块，用于将音频流输送到计算机声卡上。在当前文件夹打开一个新的音频进行录音并存放录音数据。本地录音：

def save_wave_file(filepath, data):
    wf = wave.open(filepath, 'wb')
    wf.setnchannels(channels)
    wf.setsampwidth(sampwidth)
    wf.setframerate(framerate)
    wf.writeframes(b''.join(data))
    wf.close()
 
 
# 录音
def my_record():
    pa = pyaudio()
    # 打开一个新的音频stream
    stream = pa.open(format=paint16, channels=channels,
                     rate=framerate, input=true, frames_per_buffer=num_samples)
    my_buf = []  # 存放录音数据
    t = time.time()
    print('正在录音...')
    while time.time() < t + 5:  # 设置录音时间（秒）
        # 循环read，每次read 2000frames
        string_audio_data = stream.read(num_samples)
        my_buf.append(string_audio_data)
    print('录音结束.')
    save_wave_file(filepath, my_buf)
    stream.close()

然后是获取token，根据创建应用得到的apikey和secrekey（这里要使用自己的）来组装url获取token。在语音识别函数中调用获取的token和已经录制好的音频数据，按照要求的格式来写进json参数进行上传音频。

百度语音要求对本地语音二进制数据进行base64编码，使用base64库来进行编码。创建识别请求使用的是post方式来进行提交，在识别函数中写入百度语音提供的短语音识别请求地址。识别结果会立刻返回，采用json格式进行封装，识别结果放在 json 的 “result” 字段中，统一采用 utf-8 方式编码。

# 组装url获取token
base_url = "https://openapi.baidu.com/oauth/2.0/token?grant_type=client_credentials&client_id=%s&client_secret=%s"
apikey = "*****************"
secretkey = "********************"
host = base_url % (apikey, secretkey)
 
 
def gettoken(host):
    res = requests.post(host)
    r = res.json()['access_token']
    return r
 
 
# 传入语音二进制数据，token
# dev_pid为百度语音识别提供的几种语言选择，默认1537为有标点普通话
def speech2text(speech_data, token, dev_pid=1537):
    format = 'wav'
    rate = '16000'
    channel = 1
    cuid = '*******'
    speech = base64.b64encode(speech_data).decode('utf-8')
    data = {
        'format': format,
        'rate': rate,
        'channel': channel,
        'cuid': cuid,
        'len': len(speech_data),
        'speech': speech,
        'token': token,
        'dev_pid': dev_pid
    }
    url = 'https://vop.baidu.com/server_api'  # 短语音识别请求地址
    headers = {'content-type': 'application/json'}
    print('正在识别...')
    r = requests.post(url, json=data, headers=headers)
    result = r.json()
    if 'result' in result:
        return result['result'][0]
    else:
        return result

最后我们编写控制移动函数，首先我们要知道如何来把控制图形移动来呈现出来。本项目中我们使用的是tkinter模块，tkinter是一个python模块，是一个调用tcl/tk的接口，它是一个跨平台的脚本图形界面接口。是一个比较流行的python图形编程接口。最大的特点是跨平台，缺点是性能不太好，执行速度慢。

我们利用tkinter中的canvas来设置一个画布，并创建一个事件id为1的矩形，把矩形放在画布中显示。在画布中添加button按钮，回调中写入对应的函数，点击触发录制音频和语音识别。为了使代码更加简洁，我们把移动函数放在语音识别函数中调用，返回识别结果后对结果做出判断，最后使图形进行移动。

def move(result):
    print(result)
    if "向上" in result:
        canvas.move(1, 0, -30)  # 移动的是 id为1的事物【move（2,0,-5）则移动id为2的事物】，使得横坐标加0，纵坐标减30
    elif "向下" in result:
        canvas.move(1, 0, 30)
    elif "向左" in result:
        canvas.move(1, -30, 0)
    elif "向右" in result:
        canvas.move(1, 30, 0)
 
 
tk = tk()
tk.title("语音识别控制图形移动")
button(tk, text="开始录音", command=ai.my_record).pack()
button(tk, text="开始识别", command=speech2text).pack()
canvas = canvas(tk, width=500, height=500)  # 设置画布
canvas.pack()  # 显示画布
r = canvas.create_rectangle(180, 180, 220, 220, fill="red")  # 事件id为1
mainloop()

个人习惯，我把语音识别和图形控制写在了两个文件里，这就导致main.py文件中没有办法使用ai.py文件函数中的返回值，因为我们使用的tkinter模块是不断循坏的，通过mainloop（）才能结束循环，这样不断循坏就调用不了返回值，使用的方法是在main.py中重新构建一样函数来调用ai.py文件中的函数，并声明全局变量，把ai.py文件中的返回值放在main.py文件的全局变量中，这样就得到了返回值，再将函数写到button回调中就实现了对应的功能。

其实代码写的十分麻烦，写在一个文件里会简单些，我画了两个文件的调用关系：

完整demo如下

ai.py

import wave  # 可读、写wav类型的音频文件。
import requests  # 基于urllib，采⽤apache2 licensed开源协议的 http 库。在本项目中用于传递headers和post请求
import time
import base64  # 百度语音要求对本地语音二进制数据进行base64编码
from pyaudio import pyaudio, paint16  # 音频处理模块，用于将音频流输送到计算机声卡上
 
framerate = 16000  # 采样率
num_samples = 2000  # 采样点
channels = 1  # 声道
sampwidth = 2  # 采样宽度2bytes
filepath = 'speech.wav'
 
# 组装url获取token
base_url = "https://openapi.baidu.com/oauth/2.0/token?grant_type=client_credentials&client_id=%s&client_secret=%s"
apikey = "8bv3inf5rowbtexypzvics39"
secretkey = "hlxyilgcpeod6ddf1m6bvwcdzvoytwwd"
host = base_url % (apikey, secretkey)
 
 
def gettoken(host):
    res = requests.post(host)
    r = res.json()['access_token']
    return r
 
 
def save_wave_file(filepath, data):
    wf = wave.open(filepath, 'wb')
    wf.setnchannels(channels)
    wf.setsampwidth(sampwidth)
    wf.setframerate(framerate)
    wf.writeframes(b''.join(data))
    wf.close()
 
 
# 录音
def my_record():
    pa = pyaudio()
    # 打开一个新的音频stream
    stream = pa.open(format=paint16, channels=channels,
                     rate=framerate, input=true, frames_per_buffer=num_samples)
    my_buf = []  # 存放录音数据
    t = time.time()
    print('正在录音...')
    while time.time() < t + 5:  # 设置录音时间（秒）
        # 循环read，每次read 2000frames
        string_audio_data = stream.read(num_samples)
        my_buf.append(string_audio_data)
    print('录音结束.')
    save_wave_file(filepath, my_buf)
    stream.close()
 
 
def get_audio(file):
    with open(file, 'rb') as f:
        data = f.read()
    return data
 
 
# 传入语音二进制数据，token
# dev_pid为百度语音识别提供的几种语言选择，默认1537为有标点普通话
def speech2text(speech_data, token, dev_pid=1537):
    format = 'wav'
    rate = '16000'
    channel = 1
    cuid = '*******'
    speech = base64.b64encode(speech_data).decode('utf-8')
    data = {
        'format': format,
        'rate': rate,
        'channel': channel,
        'cuid': cuid,
        'len': len(speech_data),
        'speech': speech,
        'token': token,
        'dev_pid': dev_pid
    }
    url = 'https://vop.baidu.com/server_api'  # 短语音识别请求地址
    headers = {'content-type': 'application/json'}
    print('正在识别...')
    r = requests.post(url, json=data, headers=headers)
    result = r.json()
    if 'result' in result:
        return result['result'][0]
    else:
        return result

main.py

import ai
from tkinter import *  # 导入tkinter模块的所有内容
 
token = none
speech = none
result = none
 
 
def gettoken():
    temptoken = ai.gettoken(ai.host)
    return temptoken
 
 
def speech2text():
    global token
    if token is none:
        token = gettoken()
    speech = ai.get_audio(ai.filepath)
    result = ai.speech2text(speech, token, dev_pid=1537)
    print(result)
    move(result)
 
 
def move(result):
    print(result)
    if "向上" in result:
        canvas.move(1, 0, -30)  # 移动的是 id为1的事物【move（2,0,-5）则移动id为2的事物】，使得横坐标加0，纵坐标减30
    elif "向下" in result:
        canvas.move(1, 0, 30)
    elif "向左" in result:
        canvas.move(1, -30, 0)
    elif "向右" in result:
        canvas.move(1, 30, 0)
 
 
tk = tk()
tk.title("语音识别控制图形移动")
button(tk, text="开始录音", command=ai.my_record).pack()
button(tk, text="开始识别", command=speech2text).pack()
canvas = canvas(tk, width=500, height=500)  # 设置画布
canvas.pack()  # 显示画布
r = canvas.create_rectangle(180, 180, 220, 220, fill="red")  # 事件id为1
mainloop()

文件关系

录制的音频会自动保存在当前文件夹下，就是speech文件

测试结果，运行

点击开始录音

点击开始识别

然后可以看到图形往右移动

经测试，大吼效果更佳 

到此这篇关于基于python创建语音识别控制系统的文章就介绍到这了,更多相关python 语音识别控制系统内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！